基于改進(jìn)ELM的風(fēng)/光/柴/儲獨(dú)立微網(wǎng)分布式電源多目標(biāo)容量優(yōu)化配置

譚穎，呂智林，李捷

?

基于改進(jìn)ELM的風(fēng)/光/柴/儲獨(dú)立微網(wǎng)分布式電源多目標(biāo)容量優(yōu)化配置

譚穎，呂智林，李捷

(廣西大學(xué)電氣工程學(xué)院，廣西 南寧 530004)

針對風(fēng)/光/柴/儲獨(dú)立混合微電網(wǎng)中分布式電源容量配置問題，以系統(tǒng)供電可靠性作為約束條件，構(gòu)建考慮微電網(wǎng)經(jīng)濟(jì)性、環(huán)保性和能源利用效率的多目標(biāo)優(yōu)化模型。引入熵理論確定多目標(biāo)函數(shù)各項(xiàng)指標(biāo)的權(quán)重系數(shù)，有效地?cái)[脫權(quán)重取值的主觀性。采用自適應(yīng)迭代步長、自適應(yīng)變異策略和搜索空間縮減等措施來改善仿電磁學(xué)算法(Electromagnetism-like mechanism，ELM)的收斂性?；诟倪M(jìn)的循環(huán)充放(ICC)控制策略，用改進(jìn)的仿電磁學(xué)算法求解配置模型。以廣西潿洲島為背景進(jìn)行算例分析，驗(yàn)證模型和算法的有效性。結(jié)果表明改進(jìn)的ELM算法能有效地解決微電網(wǎng)規(guī)劃這類多約束、計(jì)算量大的組合優(yōu)化問題，并且在全局最優(yōu)搜索能力和尋優(yōu)速度方面具有明顯優(yōu)勢。

獨(dú)立微電網(wǎng)；容量優(yōu)化配置；多目標(biāo)優(yōu)化；熵權(quán)法；改進(jìn)仿電磁學(xué)算法

0 引言

獨(dú)立微電網(wǎng)具有供電靈活、可近距離輸送等優(yōu)點(diǎn)，能夠彌補(bǔ)傳統(tǒng)電網(wǎng)遠(yuǎn)距離輸電建設(shè)成本高、能量損耗巨大等不足，成為解決邊遠(yuǎn)地區(qū)供電問題的重要手段。然而，分布式電源輸出受環(huán)境氣候的影響極大，具有明顯的隨機(jī)性、間歇性和不確定性，DG容量配置與電力系統(tǒng)的正常運(yùn)行和供電網(wǎng)絡(luò)的可靠性密切相關(guān)。因此，DG定容非常重要。

DG優(yōu)化問題較為復(fù)雜且數(shù)據(jù)量大，目前，已有學(xué)者針對DG優(yōu)化配置的具體問題進(jìn)行了相關(guān)研究，并已取得許多理論與實(shí)踐方面的成果。文獻(xiàn)[1]采用自適應(yīng)罰函數(shù)對風(fēng)光儲互補(bǔ)獨(dú)立微電網(wǎng)電源優(yōu)化配置的目標(biāo)函數(shù)進(jìn)行修正，求解過程中結(jié)合自適應(yīng)旋轉(zhuǎn)角調(diào)整策略、量子位交叉變異操作和全體災(zāi)變思想，提出了一種新的混合量子遺傳算法；文獻(xiàn)[2]針對分布式電源特性，提出了適用于并網(wǎng)型和獨(dú)立型微電網(wǎng)系統(tǒng)的雙層優(yōu)化設(shè)計(jì)模型，其上層系統(tǒng)最優(yōu)配置采用基于NSGA-II的多目標(biāo)遺傳算法計(jì)算，下層則采用混合整數(shù)線性規(guī)劃算法計(jì)算系統(tǒng)最優(yōu)運(yùn)行方案；文獻(xiàn)[3]將改進(jìn)的細(xì)菌覓食算法(Bac-terial foraging algorith，BFA)應(yīng)用到解決風(fēng)光儲混合的孤島微電網(wǎng)電源優(yōu)化配置問題中，并用該方法全面評估分布式電源的經(jīng)濟(jì)性；文獻(xiàn)[4]提出一種新的優(yōu)化設(shè)計(jì)方法，將約束運(yùn)用到優(yōu)化模型中以同時(shí)減少系統(tǒng)總成本、未滿足負(fù)載以及燃料消耗，并用粒子群算法對該多目標(biāo)優(yōu)化問題進(jìn)行求解；文獻(xiàn)[5]充分考慮風(fēng)光互補(bǔ)特性，針對風(fēng)光蓄互補(bǔ)發(fā)電系統(tǒng)，考慮獨(dú)立和并網(wǎng)兩種模式，提出一種改進(jìn)的優(yōu)化策略對各微電源容量進(jìn)行優(yōu)化配置；文獻(xiàn)[6]針對混合可再生能源系統(tǒng)提出一種新的動(dòng)態(tài)多目標(biāo)粒子群優(yōu)化算法，設(shè)計(jì)的目標(biāo)同時(shí)考慮系統(tǒng)的凈成本、未滿足負(fù)荷以及燃料排放；文獻(xiàn)[7]首次應(yīng)用優(yōu)先啟發(fā)式協(xié)同進(jìn)化算法(PICEA)進(jìn)行混合可再生能源系統(tǒng)多目標(biāo)優(yōu)化設(shè)計(jì)，提出一種增強(qiáng)的自適應(yīng)分配方法，通過最小化優(yōu)化過程中的目標(biāo)向量以改善該算法；文獻(xiàn)[8]建立了含分布式電源的多目標(biāo)優(yōu)化模型，目標(biāo)函數(shù)計(jì)及有功網(wǎng)損費(fèi)用、綜合投資成本和購電成本，并提出了一種基于細(xì)菌菌落生長和死亡尋優(yōu)機(jī)制的細(xì)菌菌落優(yōu)化算法對優(yōu)化模型進(jìn)行求解；文獻(xiàn)[9]為提高微電網(wǎng)的電能質(zhì)量，采用蓄電池和超級電容組合的混合儲能裝置，提出一種基于超前控制策略和考慮超級電容剩余容量的方法修正儲能裝置的輸出功率，并對以年投資成本最小為目標(biāo)的混合儲能容量優(yōu)化模型進(jìn)行求解。

本文針對風(fēng)光柴儲獨(dú)立微電網(wǎng)的系統(tǒng)成本、污染排放以及未利用能源多個(gè)目標(biāo)，使用熵權(quán)法對多目標(biāo)函數(shù)進(jìn)行歸一化處理，提出一種在既定控制策略下的微電源容量優(yōu)化配置方案。針對該模型非線性、含有大量約束以及計(jì)算量大的特點(diǎn)，選用仿電磁學(xué)算法(Electromagnetism-like mechanism，ELM)[10-14]對該優(yōu)化問題進(jìn)行求解，并對該算法進(jìn)行改進(jìn)。最后以廣西北海市潿洲島為例，對微電網(wǎng)系統(tǒng)進(jìn)行仿真和計(jì)算，驗(yàn)證模型的準(zhǔn)確性。與PSO算法和基本ELM算法進(jìn)行比較，改進(jìn)后的算法在快速性、準(zhǔn)確性和全局收斂性方面具有明顯優(yōu)勢。

1 ?微電網(wǎng)DG出力模型

1.1 光伏模型

1.2 風(fēng)機(jī)模型

根據(jù)風(fēng)機(jī)功率的變化規(guī)律，風(fēng)力發(fā)電機(jī)組的功率輸出與風(fēng)速之間的關(guān)系可以描述為

1.3 柴油機(jī)模型

柴油機(jī)的效率與其操作模式密切相關(guān)，燃料消耗計(jì)算公式為

1.4 蓄電池模型

本文選擇鉛酸蓄電池(lead-acid battery，Pb)作為儲能元件。蓄電池實(shí)際可用容量與電池溫度的函數(shù)關(guān)系可表示為

蓄電池運(yùn)行過程滿足：

2 ?微電網(wǎng)DG容量優(yōu)化配置模型

2.1 優(yōu)化配置評價(jià)指標(biāo)

本文建立的混合微電網(wǎng)優(yōu)化配置模型包含風(fēng)機(jī)、光伏陣列、儲能裝置以及柴油發(fā)電機(jī)，目標(biāo)是在滿足相關(guān)約束條件下，達(dá)到等年值設(shè)備投資成本、廢氣污染排放以及能源利用率的綜合最優(yōu)。其目標(biāo)函數(shù)為

(1)?等年值設(shè)備投資成本

等年值設(shè)備投資成本包括設(shè)備初始投、運(yùn)行和維護(hù)、替換、燃料費(fèi)用。數(shù)學(xué)表達(dá)式為

(2)?廢氣污染排放

廢氣污染排放量與柴油消耗量直接相關(guān)，目前考慮的氣體排放主要有CO2，SO2，NO和PM。將其排放量轉(zhuǎn)化為經(jīng)濟(jì)費(fèi)用，引入排放懲罰項(xiàng)來計(jì)算環(huán)境成本，即

(3)?能源利用率

2.2 熵權(quán)法

各目標(biāo)函數(shù)的權(quán)重系數(shù)是對其重要程度的直接反映，常用的方法有均差排序法、法、老手法等。本文應(yīng)用熵[15]來確定各個(gè)目標(biāo)函數(shù)的權(quán)重。主觀賦權(quán)法主要根據(jù)專家經(jīng)驗(yàn)來確定權(quán)重，因此受人為因素和主觀因素的影響較大。本文采用的熵權(quán)法通過設(shè)備投資成本、廢氣污染排放和能源利用率3個(gè)指標(biāo)的實(shí)際數(shù)據(jù)計(jì)算確定權(quán)重信息，當(dāng)某項(xiàng)指標(biāo)的值相差較大時(shí)，熵值較小，說明該指標(biāo)提供的有效信息量較大，則其對應(yīng)的權(quán)重也較大；反之，若某項(xiàng)指標(biāo)的值相差較小，熵值較大，則該指標(biāo)提供的有效信息量較小，因此其權(quán)重也較小。

設(shè)有個(gè)分布式電源容量配置候選組合，每個(gè)組合有個(gè)指標(biāo)，候選組合對應(yīng)的目標(biāo)函數(shù)構(gòu)成初始信息矩陣，其中為第個(gè)候選組合的第個(gè)指標(biāo)的數(shù)值。由于不同指標(biāo)的量綱不同，必須對其進(jìn)行無量綱處理，由此可得到標(biāo)準(zhǔn)化矩陣。

根據(jù)熵的定義，第個(gè)目標(biāo)的熵值為

由式(17)計(jì)算出第個(gè)目標(biāo)的權(quán)重：

2.3 約束條件

微電網(wǎng)系統(tǒng)運(yùn)行過程中滿足如下約束條件：

3 ?模型求解

3.1 控制策略

獨(dú)立微電網(wǎng)優(yōu)化配置結(jié)果不僅與電源類型和容量參數(shù)有關(guān)，而且受控制調(diào)度策略及其參數(shù)的影響。凈負(fù)荷net，指實(shí)際負(fù)荷減去可再生能源輸出后的值。典型控制策略可以歸納為兩類：(1)?負(fù)荷跟隨策略(Load Following，LF)，主要靠柴油機(jī)補(bǔ)償net波動(dòng)，柴油機(jī)幾乎一直處于運(yùn)行狀態(tài)，而蓄電池基本處于浮充狀態(tài)，用于補(bǔ)償超出柴油機(jī)額定功率的負(fù)荷需求，此類策略柴油消耗量較大；(2)?循環(huán)充放策略(Cycle Charge，CC)，蓄電池主要發(fā)揮net跟隨作用。本文使用的ICC(Improved Cycle Charge)控制策略[16]，進(jìn)一步考慮了電池的充放電對其壽命以及微電網(wǎng)經(jīng)濟(jì)性的影響，在CC控制策略的基礎(chǔ)上綜合了LF控制策略的優(yōu)點(diǎn)，由柴油機(jī)與蓄電池輪流做主電源以滿足凈負(fù)荷需求，為了盡可能減少蓄電池的充放電次數(shù)，若上一時(shí)段蓄電池處于放電狀態(tài)，則一直保持其放電直至達(dá)到設(shè)定的SOC下限，若net<0，則舍棄多余能量；若上一時(shí)刻蓄電池處于充電狀態(tài)，則一直保持對其充電直至達(dá)到設(shè)定的SOC上限。

3.2 ELM的基本原理

2003年Birbil博士提出一種隨機(jī)全局優(yōu)化算法——仿電磁學(xué)算法。該算法通過模擬電荷間作用力的吸引和排斥機(jī)制，采用記憶和回饋機(jī)制，對解決微電網(wǎng)規(guī)劃這類計(jì)算量大、約束條件多、目標(biāo)函數(shù)具有非凸非線性特點(diǎn)的優(yōu)化問題比較有效，且比較容易處理。求解過程中，ELM算法將每個(gè)個(gè)體看作一個(gè)帶電粒子，其粒子的尋優(yōu)公式為

其中

3.3 算法改進(jìn)

(1)?改進(jìn)的種群移動(dòng)策略

在ELM算法中的吸引和排斥機(jī)制是一種鄰域搜索行為，當(dāng)粒子的受力表現(xiàn)為引力時(shí)，促使其向優(yōu)化區(qū)域聚集，為排斥力時(shí)會使其到達(dá)未搜索區(qū)域。這樣只考慮種群對個(gè)體的影響，無法大范圍拓展新的解域。因此，需考慮種群中單個(gè)粒子間的相互影響，本文借鑒文獻(xiàn)[12]的方法，將式(21)改為

(2)?采用自適應(yīng)迭代步長策略

對于高維優(yōu)化問題而言，若每次都調(diào)用局部搜索程序，將會大大降低算法的效率，利用動(dòng)態(tài)迭代步長代替局部搜索，在式(20)中，隨機(jī)迭代步長的大小決定著算法的全局搜索和局部搜索能力，若入取值不當(dāng)可能會導(dǎo)致算法在迭代后期出現(xiàn)不收斂的情況。因此，采用如下的自適應(yīng)迭代步長來協(xié)調(diào)算法的全局搜索和局部搜索性能。

(3)?搜索空間縮減策略

算法的尋優(yōu)速度與搜索空間密切相關(guān)，空間越小，越容易找到最優(yōu)解。若尋優(yōu)過程中出現(xiàn)算法停滯并達(dá)到設(shè)定次數(shù)時(shí)，則將原搜索空間按比例系數(shù)縮減為。

(4)?自適應(yīng)變異策略

為避免算法陷入局部最優(yōu)，本文借鑒遺傳算法的變異思想，對種群個(gè)體進(jìn)行變異操作。在變異過程中：當(dāng)算法停滯達(dá)到所設(shè)定次數(shù)時(shí)產(chǎn)生新的正態(tài)分布種群，并以一定概率用新種群中的優(yōu)秀個(gè)體淘汰掉舊種群中差的個(gè)體。

3.4 求解步驟

采用改進(jìn)的仿電磁學(xué)算法求解獨(dú)立微電網(wǎng)電源優(yōu)化配置問題時(shí)，其基本步驟如下。

(1)?參數(shù)初始化。導(dǎo)入全年風(fēng)速、光照、溫度以及負(fù)荷數(shù)據(jù)，設(shè)置種群規(guī)模，粒子維數(shù)，停滯迭代次數(shù)，決策變量的上下限、最大迭代次數(shù)等參數(shù)。

(2)?種群初始化。以分布式電源的容量作為決策變量，利用下式產(chǎn)生滿足上下限約束的初始種群：

該方法不僅使初始種群覆蓋整個(gè)解空間，而且保證了初始種群的多樣性。

(3)?根據(jù)控制策略計(jì)算種群中每個(gè)粒子的年缺電率，適應(yīng)度函數(shù)值，粒子電荷值以及個(gè)體矢量力大小。

(4)?根據(jù)式(21)產(chǎn)生新的種群，并將新種群和前代種群的適應(yīng)度函數(shù)值進(jìn)行比較，進(jìn)行種群更新，保存當(dāng)前代最優(yōu)解。

(5)?判斷種群進(jìn)化是否達(dá)到停滯代數(shù)，若達(dá)到則進(jìn)行迭代步長、變異策略和尋優(yōu)空間改變。

(6)?判斷是否達(dá)到算法的終止條件，若未滿足，則轉(zhuǎn)入步驟(3)繼續(xù)重復(fù)迭代步驟；若已滿足終止條件，則輸出最優(yōu)解以及最終目標(biāo)函數(shù)值。

4 ?算例分析

4.1 算例描述

選取廣西北海市南部潿洲島(東經(jīng)109°05′ -109°13′，北緯20°54′-21°05′ )作為研究背景，根據(jù)該島全年的風(fēng)力、光照、溫度以及電力負(fù)荷需求，采用本文提出的優(yōu)化配置模型，并應(yīng)用改進(jìn)的ELM算法對其進(jìn)行計(jì)算，以驗(yàn)證本文提出的模型和算法的有效性。假設(shè)用戶負(fù)荷平均耗能85?kWh/d、平均功率3.54 kW、峰值功率11.5 kW，負(fù)荷曲線如圖1所示。參考廣西氣象局所提供的月平均風(fēng)速數(shù)據(jù)，根據(jù)威布爾(weibull)分布，借助于HOMER軟件擬合得到全年風(fēng)速曲線，如圖2所示。全年8760小時(shí)的光照強(qiáng)度數(shù)據(jù)以及溫度數(shù)據(jù)由廣西氣象局提供，光照強(qiáng)度數(shù)據(jù)和溫度數(shù)據(jù)分別見圖3和圖4。

柴油價(jià)格為6.11元/L，CO2、SO2、NO、PM的排放系數(shù)分別為2.5?kg/L、0.000?4?kg/L、0.008?5 kg/L和0.001?8?kg/L；未利用能源處罰收費(fèi)按照2.0元/kWh收取。設(shè)定工程壽命周期為20 yr，仿真運(yùn)行時(shí)間為1年，時(shí)間步長為1 h，采用Matlab 2013a進(jìn)行編程仿真，初始種群為40，改變步長和縮減優(yōu)化空間的停滯代數(shù)為10，終止條件為總迭代次數(shù)達(dá)到100。本文設(shè)定系統(tǒng)允許的最大年缺電概率為0.1%。所選組件的相關(guān)參數(shù)(數(shù)據(jù)部分取自文獻(xiàn)[4, 18])如表1所示。

圖1全年用戶負(fù)荷數(shù)據(jù)曲線

圖2 全年風(fēng)速數(shù)據(jù)曲線

圖3全年光照數(shù)據(jù)曲線

圖4全年溫度數(shù)據(jù)曲線

根據(jù)島上的風(fēng)力、光照和溫度數(shù)據(jù)計(jì)算出微電網(wǎng)各微電源出力情況，同時(shí)計(jì)算出約束條件(即微電網(wǎng)系統(tǒng)年缺電率)，用表1中的分布式電源經(jīng)濟(jì)參數(shù)計(jì)算出微電網(wǎng)系統(tǒng)等年投資成本，應(yīng)用仿電磁學(xué)算法求解多元非線性整數(shù)規(guī)劃問題。

表1分布式電源經(jīng)濟(jì)參數(shù)

Table 1 Economic parameters of distributed power

4.2 仿真結(jié)果與比較

表2給出了各目標(biāo)函數(shù)分別采用等權(quán)重法和熵權(quán)法兩種方案計(jì)算權(quán)重時(shí)所得的電源優(yōu)化配置結(jié)果。采用等權(quán)重法時(shí)，考慮經(jīng)濟(jì)性、環(huán)保性和能源利用率的重要性一樣，人為賦予它們權(quán)重。而通過熵權(quán)法得到目標(biāo)函數(shù)中各個(gè)權(quán)重，其大小分別為：0.414?0、0.443?2、0.142?7，其反映出各個(gè)目標(biāo)函數(shù)對于總目標(biāo)函數(shù)影響的重要程度。因而從配置結(jié)果可以看到，采用熵權(quán)法定權(quán)重時(shí)，未利用能源百分比有所下降，柴油發(fā)電機(jī)運(yùn)行時(shí)間減少，因而柴油消耗量和污染排放隨之降低，等年投資成本減少，該方案經(jīng)濟(jì)性更好。

表2不同權(quán)重的優(yōu)化結(jié)果比較

Table 2 Comparison of optimization results of different weights

仿真計(jì)算時(shí)，分別采用粒子群(PSO)算法、基本仿電磁學(xué)算法和改進(jìn)后的仿電磁學(xué)算法對優(yōu)化模型進(jìn)行求解，對優(yōu)化配置結(jié)果和運(yùn)算效率進(jìn)行比較。結(jié)果如表3所示。

可見，當(dāng)?shù)螖?shù)、種群個(gè)數(shù)均相同時(shí)，相比于PSO算法和基本ELM算法，改進(jìn)后的ELM算法在分布式電源優(yōu)化配置的收斂性和運(yùn)行效率方面，具有明顯優(yōu)勢。3種方案的收斂曲線如圖5所示。結(jié)果表明，改進(jìn)后的ELM算法計(jì)算效率更高，易跳出局部極小值。

表3不同仿真方法性能比較

Table 3 Performance comparison of different simulation methods

圖5 算法收斂曲線

5 ?結(jié)論

(1)?圍繞微電網(wǎng)經(jīng)濟(jì)成本、環(huán)境污染以及能源利用率的綜合最優(yōu)對分布式電源進(jìn)行優(yōu)化配置，采用熵權(quán)法確定各個(gè)目標(biāo)函數(shù)權(quán)重，可以有效克服人為定權(quán)重的主觀性，有效地反映經(jīng)濟(jì)成本、環(huán)境污染和能源利用率對目標(biāo)函數(shù)影響的重要程度并實(shí)現(xiàn)三者協(xié)調(diào)，有利于提高微電網(wǎng)的綜合經(jīng)濟(jì)性。

(2)?考慮了控制策略對獨(dú)立微電網(wǎng)優(yōu)化配置結(jié)果的影響，在采用改進(jìn)的循環(huán)充放(ICC)控制策略基礎(chǔ)上對模型進(jìn)行求解。增加了對蓄電池的充放電管理，減少其充放電次數(shù)，增加蓄電池使用壽命。

(3)?采用自適應(yīng)迭代步長、自適應(yīng)變異策略和搜索空間縮減等措施來改善仿電磁學(xué)算法的收斂性，將改進(jìn)的ELM算法運(yùn)用到配置模型的求解中。與PSO算法及基本ELM算法比較，改進(jìn)后的算法在求解效率和全局收斂性方面具有優(yōu)越性。

[1] 符楊, 蔣一鎏, 李振坤. 基于混合量子遺傳算法的微電網(wǎng)電源優(yōu)化配置[J]. 電力系統(tǒng)保護(hù)與控制, 2013, 41(24): 50-57.

FU Yang, JIANG Yiliu, LI Zhenkun. Optimal allocation of distributed generation for microgrid based on hybrid quantum genetic algorithm[J]. Power System Protection and Control, 2013, 41(24): 50-57.

[2] 劉振國, 胡亞平, 陳炯聰, 等. 基于雙層優(yōu)化的微電網(wǎng)系統(tǒng)規(guī)劃設(shè)計(jì)方法[J]. 電力系統(tǒng)保護(hù)與控制, 2015, 43(8): 123-133.

LIU Zhenguo, HU Yaping, CHEN Jiongcong, et al. A planning and design method for microgrid based on two-stage optimization[J]. Power System Protection and Control, 2015, 43(8): 123-133.

[3] 馬溪原, 吳耀文, 方華亮, 等. 采用改進(jìn)細(xì)菌覓食算法的風(fēng)/光/儲混合微電網(wǎng)電源優(yōu)化配置[J]. 中國電機(jī)工程學(xué)報(bào), 2011, 31(25): 17-25.

MA Xiyuan, WU Yaowen, FANG Hualiang, et al. Optimal sizing of hybrid solar-wind distributed generation in an islanded microgrid using improved bacterial foraging algorithm[J]. Automation of Electric Power Systems, 2011, 31(25): 17-25.

[4] SHARAFI M, ELMEKKAWY T Y. Multi-objective optimal design of hybrid renewable energy systems using PSO- simulation based approach[J]. Renewable Energy, 2014, 68: 67-79.

[5] 徐林, 阮新波, 張步涵, 等. 風(fēng)光蓄互補(bǔ)發(fā)電系統(tǒng)容量的改進(jìn)優(yōu)化配置方法[J]. 中國電機(jī)工程學(xué)報(bào), 2012, 32(25): 88-98.

XU Lin, RUAN Xinbo, ZHANG Buhan, et al. An improved optimal sizing method for wind-solar-battery hybrid power system[J]. Automation of Electric Power Systems, 2012, 32(25): 88-98.

[6] SHARAFI M, ELMEKKAWY T Y. A dynamic MOPSO algorithm for multiobjective optimal design of hybrid renewable energy systems[J]. International Journal of Energy Research, 2014, 38(15): 1949-1963.

[7] SHI Z, WANG R, ZHANG T. Multi-objective optimal design of hybrid renewable energy systems using preference-inspired coevolutionary approach[J]. Solar Energy, 2015, 118: 96-106.

[8] 陳海東. 基于細(xì)菌菌落優(yōu)化算法分布式電源優(yōu)化配置[J]. 電力系統(tǒng)保護(hù)與控制, 2015, 43(21):106-111.

CHEN Haidong. Optimal power flow of distribution network with distributed generation based on bacterial colony optimizaiton[J]. Power System Protection and Control, 2015, 43(21): 106-111.

[9] 王博堃, 滕歡, 胡曉通, 等. 基于平滑控制策略的混合儲能優(yōu)化配置方法[J]. 高壓電器, 2015, 51(10): 47-53.

WANG Bokun, TENG Huan, HU Xiaotong, et al. Hybrid energy storage system optimal configuration based on smooth control strategy[J]. High Voltage Apparatus, 2015, 51(10): 47-53.

[10] BIRBIL S I, FANG S C. An electromagnetism-like mechanism for global optimization[J]. Journal of Global Optimization, 2003, 25(3): 263-282.

[11] 吳杰康, 郭壯志. 基于仿電磁學(xué)算法的梯級水電站多目標(biāo)短期優(yōu)化調(diào)度[J]. 中國電機(jī)工程學(xué)報(bào), 2010, 30(31): 14-21.

WU Jiekang, GUO Zhuangzhi. Electromagnetism-like mechanism based multi-objective short-term optimization scheduling for cascade hydro plants[J]. Proceedings of the CSEE, 2010, 30(31): 14-21.

[12] 付錦, 周步祥, 王學(xué)友, 等. 改進(jìn)仿電磁學(xué)算法在多目標(biāo)電網(wǎng)規(guī)劃中的應(yīng)用[J]. 電網(wǎng)技術(shù), 2012, 36(2): 141-146.

FU Jin, ZHOU Buxiang, WANG Xueyou, et al. Application of improved electromagnetism-like mechanism in multi- objective power network planning[J]. Power System Technology, 2012, 36(2): 141-146.

[13] DE SOTO W, KLEIN S A, BECKMAN W A. Improvement and validation of a model for photovoltaic array performance[J]. Solar Energy, 2006, 80(1): 78-88.

[14]郭壯志, 吳杰康, 孔繁鎳. 基于仿電磁學(xué)算法和數(shù)據(jù)包絡(luò)分析的水火電力系統(tǒng)多目標(biāo)優(yōu)化調(diào)度[J]. 中國電機(jī)工程學(xué)報(bào), 2013, 33(4): 53-61.

GUO Zhuangzhi, WU Jiekang, KONG Fannie. Multi- objective optimizaiton schedling for hydrothermal power systems based on electromagnetism-like mechanism and data envelopment analysis[J]. Proceedings of the CSEE, 2010, 30(31): 14-21.

[15] 李如琦, 蘇浩益, 曲振旭. 核向量空間模型在電能質(zhì)量綜合評估中的應(yīng)用[J]. 電力系統(tǒng)保護(hù)與控制, 2012, 40(1): 72-76.

LI Ruqi, SU Haoyi, QU Zhenxu. Application of kernel vector space model in power quality comprehensive evaluation[J]. Power System Protection and Control, 2012, 40(1): 72-76.

[16] 劉夢璇, 王成山, 郭力, 等. 基于多目標(biāo)的獨(dú)立微電網(wǎng)優(yōu)化設(shè)計(jì)方法[J]. 電力系統(tǒng)自動(dòng)化, 2012, 36(17): 34-39.

LIU Mengxuan, WANG Chengshan, GUO Li, et al. An optimal design method of multi-objective based island microgrid[J]. Automation of Electric Power Systems, 2012, 36(17): 34-39.

[17] 王學(xué)友, 周步祥, 付錦, 等. 分布式電源優(yōu)化配置的仿電磁學(xué)算法[J]. 電力系統(tǒng)及其自動(dòng)化學(xué)報(bào), 2012, 24(4): 134-138.

WANG Xueyou, ZHOU Buxiang, FU Jin, et al. Electromagnetism-like mechanism based on optimal placement of distributed generation[J]. Proceedings of the CSU-EPSA, 2012, 24(4): 134-138.

[18] ISMAIL M, MOGHAVVEMI M, MAHLIA T. Techno- economic analysis of an optimized photovoltaic and diesel generator hybrid power system for remote houses in a tropical climate[J]. Energy Conversion and Management, 2013, 69: 163-173.

(編輯 姜新麗)

Multi-objective optimal sizing method for distributed power of wind-solar-diesel-battery independent microgrid based on improved electromagnetism-like mechanism

TAN Ying, Lü Zhilin, LI Jie

(College of Electrical Engineering, Guangxi University, Nanning 530004, China)

Aiming at the optimal size of distributed generation in isolated hybrid microgrid that consists of wind/ photovoltaic/diesel/battery, using the reliability of power supply as the constraint condition, this paper constructs a microgrid multi-objective optimal model which takes economy, environmental protection and energy efficiency into consideration. The entropy theory is introduced to determine the weight coefficient of multi-objective function to get rid of the subjectivity of weight value effectively. Moreover, self-adaptive steps, adaptive variation, reduction of search space and other measures are adopted to improve the convergence of the electromagnetism-like mechanism (ELM). Based on improved cycle charge (ICC) control strategy, the improved ELM is used to solve the optimal model. Taking Guangxi Weizhou Island as the background for a case study, the effectiveness of the model and algorithm is verified. The results of simulation show that such optimization problems with a lot of constraints and huge computation, such as microgrid planning, can be solved by this algorithm. In addition, the proposed algorithm has obvious advantages in global optimal capability and the speed of optimization.

This work is supported by National Natural Science Foundation of China (No. 61364027) and Natural Science Foundation of Guangxi (No. 2014GXNSFAA118384).

independent microgrid; optimal sizing allocation; multi-objective optimization; entropy theory; improved ELM

10.7667/PSPC151042

2015-06-21；

2015-11-08

譚 穎(1990-)，女，碩士研究生，研究方向?yàn)閺?fù)雜系統(tǒng)優(yōu)化與控制；E-mail:?924701132@qq.com

呂智林(1971-)，女，通信作者，博士，教授，碩士生導(dǎo)師，研究方向?yàn)橹悄茈娋W(wǎng)、系統(tǒng)優(yōu)化及復(fù)雜系統(tǒng)集成控制等；E-mail: luzhilin2001@163.com

李 捷(1990-)，男，碩士研究生，研究方向?yàn)橹悄茈娋W(wǎng)與新能源技術(shù)。E-mail:?415130190@qq.com

國家自然科學(xué)基金項(xiàng)目(61364027)；廣西自然科學(xué)基金項(xiàng)目(2014GXNSFAA118384)